論文の概要: SNR-Adaptive Unified Diffusion for Multi-Task Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.03103v1
• Date: Fri, 03 Jul 2026 08:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.520974
• Title: SNR-Adaptive Unified Diffusion for Multi-Task Medical Image Segmentation
• Title（参考訳）: マルチタスク医用画像分割のためのSNR適応統一拡散
• Abstract要約: 本報告では,3つのメカニズムによって競合を解消する統合拡散分割フレームワークUniT-Diffを提案する。 11チャンネルのタスク固有の出力空間はラベルカテゴリを物理的に分割し、構成によるクロスタスク勾配符号の反転を除去する。 UniT-Diffは3つのベンチマークで個別に訓練されたタスク固有のベースラインを超える。
• 参考スコア（独自算出の注目度）: 25.247512963111408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical cardiac imaging pipelines currently deploy separate models for each dataset and modality, incurring redundant training costs and precluding knowledge sharing across anatomically related tasks. Consolidating semi-supervised learning, unsupervised domain adaptation, and domain generalisation into one model is therefore a practical necessity, yet naive joint training exposes a fundamental barrier: conflicting label semantics between datasets collapse LA Dice from 90.31\% to 83.38\%, while gradient imbalance across tasks of unequal complexity suppresses the weaker tasks throughout training. We present UniT-Diff, a unified diffusion segmentation framework that resolves these conflicts through three targeted mechanisms. An 11-channel task-specific output space physically partitions label categories, eliminating cross-task gradient sign reversal by construction. SNR-Adaptive Task Conditioning (SATC) scales the task token by the log signal-to-noise ratio of the current diffusion timestep, suppressing domain-specific bias during coarse denoising and restoring full task guidance as the signal clears. Task-Type-Aware Conditional Dropout (TTACD) permanently removes the task token for domain-generalisation inputs, routing them through a shared neutral pathway that draws on cross-dataset cardiac anatomy rather than source-vendor statistics. Under a single parameter set, UniT-Diff surpasses independently trained task-specific baselines on all three benchmarks simultaneously: +0.87\% on LA, +1.77\% on MMWHS, and +0.88\% on MNMS.
• Abstract（参考訳）: 現在、臨床心臓画像パイプラインは、データセットとモダリティごとに別々のモデルをデプロイし、冗長なトレーニングコストを発生させ、解剖学的に関連するタスク間で知識を共有することを先取りしている。 半教師付き学習、教師なしドメイン適応、ドメイン一般化を1つのモデルに統合することは現実的な必要性であるが、単純な共同トレーニングは基本的な障壁を露呈する:データセット間のラベルのセマンティクスの矛盾 LA Dice は 90.31\% から 83.38\% に崩壊する一方、不平等な複雑さのタスク間の勾配の不均衡は、トレーニングを通してより弱いタスクを抑圧する。 我々は,これらの対立を3つのメカニズムによって解決する統合拡散分割フレームワークUniT-Diffを提案する。 11チャンネルのタスク固有の出力空間はラベルカテゴリを物理的に分割し、構成によるクロスタスク勾配符号の反転を除去する。 SNR適応タスクコンディショニング(SATC)は、現在の拡散時間ステップの対数信号対雑音比でタスクトークンをスケールし、粗いデノイング中のドメイン固有のバイアスを抑え、信号クリア時に全タスクガイダンスを復元する。 Task-Type-Aware Conditional Dropout (TTACD) は、ドメイン一般化入力のタスクトークンを永久に削除し、ソースベンダー統計ではなく、クロスデータセットの心臓解剖に基づく共有中立経路にルーティングする。 単一のパラメータセットの下で、UniT-Diffは独立に訓練されたタスク固有のベースラインを3つのベンチマークで同時に超える:+0.87\% on LA、+1.77\% on MMWHS、+0.88\% on MNMS。

関連論文リスト

• ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning [52.72143039958434]
  異種チャネル構成にまたがるコンテキスト内分類のための分類ネイティブ基盤モデルであるChorusticを導入する。 Chorusticは、可変チャネル構成を元のチャネルカウントとは無関係に固定幅の表現にマッピングする。 コンテキスト由来の分布を使って機能軸を校正し、リーク保護されたコンテキスト内学習を通じてクエリラベルを予測する。
  論文  参考訳（メタデータ） (2026-08-25T03:45:24Z)
• Compositional Cross-Modality Translation via Whole-Volume Multitask Latent Flow Matching [1.447808799346751]
  クロスモーダルな医療画像翻訳は、マルチモーダルな買収の負担を軽減することができる。 メソッドはボリューム全体ではなく2Dスライスや3Dパッチで動作し、各翻訳タスクごとに個別のモデルをトレーニングする。 本稿では,大規模な事前学習型3次元変分オートエンコーダを用いて,これらの目的を分離することを提案する。
  論文  参考訳（メタデータ） (2026-08-08T13:43:23Z)
• DRDN: Decoupled Representation Dynamic Network for From-Scratch ViT Class-Incremental Learning [6.097306160389619]
  クラスインクリメンタルラーニング(CIL)のための動的拡張手法は、専用トークンや計算作業でタスク固有の知識を保護する。 我々は、主に現在のタスクデータに対する逐次トレーニングからのクロスタスクの混乱と、バックボーン内の過度に最適化された共有表現の2つの課題を特定する。 本稿では,2つのメカニズムを通じてこれらの課題に対処する解答表現動的ネットワーク(DRDN)を提案する。
  論文  参考訳（メタデータ） (2026-07-02T02:57:58Z)
• Steering Without Breaking: Mechanistically Informed Interventions for Discrete Diffusion Language Models [10.45663857615872]
  離散拡散言語モデル(DLM)は、すべての位置を並列に反復的に認知することでテキストを生成する。 この均一なスケジュールは品質を劣化させ、複数の属性を共同で操る場合の損傷成分を示す。 本稿では,属性が積極的に形成され,残りの世代に手を加えないステップに介入する適応型スケジューラを提案する。
  論文  参考訳（メタデータ） (2026-05-08T18:52:17Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Multicentric thrombus segmentation using an attention-based recurrent network with gradual modality dropout [0.0]
  注意に基づく繰り返しセグメンテーションネットワーク(UpAttLLSTM)を結合する手法を提案する。 UpAttLLSTMは、リカレントユニット(2.5D)を介してコンテキストを集約し、アテンションゲートを使用して、利用可能なシーケンス間で補完的なキューを融合する。 単中心コホートでは,Diceスコア0.65の症例の90%以上でトロンビを検出する。 モダリティを欠いたマルチセンター環境では、Diceスコアで約0.35で80%の検知を実現している。
  論文  参考訳（メタデータ） (2026-04-01T12:25:00Z)
• Learning from Many and Adapting to the Unknown in Open-set Test Streams [24.690368986775848]
  大規模言語モデル(LLM)は、再利用可能な表現と柔軟な推論を通じてタスクを一般化する。 SyCoはRac1およびMAPK経路を介して低ランクアダプタを更新するパラメータ効率適応法である。
  論文  参考訳（メタデータ） (2026-04-01T06:23:24Z)
• Wireless Federated Multi-Task LLM Fine-Tuning via Sparse-and-Orthogonal LoRA [61.12136997430116]
  低ランク適応(LoRA)に基づく分散連合学習(DFL)により、マルチタスクデータセットを持つモバイルデバイスは、ローカルに更新されたパラメータを、無線接続を介して近隣デバイスのサブセットと交換することで、大きな言語モデル(LLM)を協調的に微調整することができる。 不均一データセットに微調整されたパラメータを直接集約すると、DFLライフサイクルの3つの主要な問題が発生する: (i) 微調整プロセス中に忘れる破滅的な知識、(ii) データの異種性に起因する更新方向の矛盾に起因する。
  論文  参考訳（メタデータ） (2026-02-24T02:45:32Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• Exploiting Unlabeled Structures through Task Consistency Training for Versatile Medical Image Segmentation [24.25178585285867]
  余分なモデルを必要としないクラス不均衡に対処するためのタスク一貫性トレーニング(TCT)フレームワークを導入する。 低整合性、潜在的にノイズの多いデータからの誤りの伝搬を避けるため、そのようなデータを除外するためのフィルタリング戦略を提案する。 各種臨床施設の腹腔内データセット8種について実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-05T01:04:32Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation [165.61511788237485]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-07-27T01:21:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。